📄 earth_science

A country-sector dataset of environmental intensity and geographic variability across industrial activities

Diese Arbeit präsentiert einen harmonisierten Datensatz der direkten, lieferkettenbezogenen und systemischen Umweltintensität für 6.781 Sektoren in 44 Ländern und fünf Regionen des Rests der Welt unter Verwendung von dreizehn Indikatoren, um zu zeigen, dass sowohl Sektorcharakteristika als auch der geografische Kontext die Umweltleistung signifikant beeinflussen, wobei Sektoreffekte jedoch einen größeren Anteil an der beobachteten Variation ausmachen.

Ursprüngliche Autoren: Osama Diab

Veröffentlicht 2026-07-15

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Osama Diab

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich die Weltwirtschaft als eine riesige, geschäftige Küche vor, in der 44 verschiedene Länder 6.781 verschiedene Arten von Gerichten (Industriesektoren) zubereiten. Einige Gerichte sind einfach nur ein Salat (Dienstleistungen), andere sind komplexe, vielschichtige Lasagnen (Verarbeitendes Gewerbe) oder rauchige, feuerintensive Grills (Bergbau).

Lange Zeit versuchten Köche und Kritiker herauszufinden, welche Gerichte in Bezug auf die Umweltauswirkungen am „unordentlichsten“ waren. Aber sie sprachen unterschiedliche Sprachen. Ein Koch maß die Unordnung in „verschütteter Milch“, ein anderer in „verbranntem Toast“ und ein dritter in „Rauch in der Luft“. Ein fairer Vergleich war unmöglich.

Hier kommt Osama Diab ins Spiel, ein Forscher der KU Leuven, der beschloss, all diese chaotischen Messungen in eine einzige, universelle Sprache zu übersetzen: ein Rankingsystem. Anstatt zu sagen: „Dieser Sektor hat 500 Liter Wasser verschüttet“, besagt der neue Datensatz: „Dieser Sektor gehört zu den obersten 90 % der Wasser-Unordnung im Vergleich zu allen anderen.“

Die drei Schichten der Unordnung

Um das vollständige Bild zu erhalten, betrachtete die Studie die ökologische „Unordnung“ auf drei verschiedene Arten, vergleichbar mit dem Schälen einer Zwiebel:

Die direkte Unordnung (Direkte Intensität): Dies ist der Rauch und die Verschüttungen, die direkt in der Küche entstehen, während der Koch kocht. Es ist die Verschmutzung, die durch den Eigenbetrieb des Sektors entsteht.
Die versteckte Unordnung (Lieferketten-Intensität): Dies ist die Unordnung, die entsteht, bevor der Koch überhaupt anfängt zu kochen. Wurde das Mehl unter Verwendung von schmutzigem Wasser angebaut? Wurde der Stahl mit Kohle geschmolzen? Diese Ebene erfasst die Verschmutzung, die in den Zutaten und den Lieferwagen steckt.
Die gesamte Unordnung (Systemische Intensität): Dies ist der Endwert, der den Küchenrauch und die versteckte Unordnung der Zutaten kombiniert. Der Autor verwendete einen speziellen mathematischen Trick (das geometrische Mittel), um sicherzustellen, dass ein Sektor ein großes Problem in einem Bereich nicht einfach durch Sauberkeit in einem anderen Bereich kaschieren kann. Wenn man eine verrauchte Küche und schmutzige Zutaten hat, steigt der Wert massiv an.

Die große Entdeckung: Es geht um das Rezept, nicht um den Koch

Eine der spannendsten Erkenntnisse ist die Beantwortung einer großen Frage: Spielt das Land eine größere Rolle oder die Art der Arbeit?

Stellen Sie sich zwei Bäcker vor: einen in Belgien und einen in Brasilien. Wenn beide denselben Typ Kuchen backen, ist die Unordnung dann unterschiedlich?

Das Ergebnis der Arbeit: Die Studie führte einen statistischen Test durch (wie ein Schiedsrichter, der die Pfeife zieht) und fand heraus, dass die Art der Tätigkeit (das Rezept) den Unterschied in der Unordentlichkeit stärker erklärt als der Standort (das Land).
Die Nuance: Obwohl das Rezept der wichtigste Faktor ist, spielt der Standort dennoch eine große Rolle. Bestimmte Sektoren, wie der Bergbau und die Stromerzeugung, zeigen enorme Unterschiede in der Unordentlichkeit, je nachdem, wo sie stattfinden. Dies deutet darauf hin, dass für diese spezifischen Aufgaben die lokale Technologie und die Regeln einen massiven Unterschied machen können. Aber für andere, wie etwa das verarbeitende Gewerbe, ist der Prozess selbst so inhärent „unordentlich“, dass es kaum eine Rolle spielt, wo man ihn ausübt.

Die „Top 20“ der variabelsten Jobs

Die Studie identifizierte die 20 Sektoren, in denen die Umweltleistung von Land zu Land am stärksten variiert. Dies sind hauptsächlich Bergbau, Gewinnung, Recycling und Stromerzeugung. Es ist wie die Feststellung, dass eine „Pfanne“ zwar immer eine Pfanne ist, aber die Qualität des Öls, in dem darin gebraten wird, je nach Person, die die Pfanne hält, stark variiert.

Was dieser Datensatz ist (und was er nicht ist)

Dieser Datensatz ist ein leistungsstarkes Werkzeug zum Ranking und Vergleichen. Er hilft politischen Entscheidungsträgern und Unternehmen zu sehen, wer im Verhältnis zu anderen besser oder schlechter abschneidet.

Die Arbeit stellt jedoch sehr klar, was dieses Werkzeug nicht leisten kann:

Es ist kein Maßstab für das absolute Gewicht: Ein hoher Wert bedeutet nicht, dass ein Sektor in absoluten Tonnen „schwer“ an Verschmutzung ist; er bedeutet nur, dass er im Vergleich zu den anderen „schwerer“ ist.
Es ist kein Maß für die Gesamtverschmutzung: Da die Werte auf Geld (wirtschaftlicher Output) basen, könnte eine hochtechnologische, teure Industrie im Verhältnis zum verdienten Dollar „sauber“ aussehen, auch wenn sie insgesamt viel Verschmutzung produziert. Es ist, als würde man sagen, ein Luxusauto sei „effizient“, weil es viel kostet, selbst wenn es viel Benzin verbrennt.
Es ist kein Allheilmittel: Die Arbeit legt nahe, dass diese Werte großartig für das Benchmarking und das Aufspüren von Trends sind, aber sie lösen die Probleme nicht selbst.

Das Fazit

Indem dieser Datensatz 13 verschiedene Arten von Umweltdaten (von Treibhausgasen bis hin zur Wassernutzung) in ein einziges, faires Rankingsystem überführt, liefert er uns eine klare Karte der Industrielandschaft. Er zeigt uns, dass zwar was wir produzieren der wichtigste Treiber für die Umweltauswirkungen ist, aber wo und wie wir produzieren, dennoch einen signifikanten Unterschied machen kann. Es ist eine neue Linse, die uns hilft zu sehen, welche Industrien am anfälligsten für Veränderungen sind und wo wir den größten Nutzen erzielen können, um die Welt sauberer zu machen.

Technisches Resümee: Ein länderspezifischer Sektordatensatz zur Umweltintensität und geografischen Variabilität

Problemstellung
Bestehende umweltbezogene multiregionale Input-Output-Datenbanken (EEMRIO), wie beispielsweise EXIOBASE, sind entscheidende Instrumente zur Quantifizierung von Umweltauswirkungen, leiden jedoch unter erheblicher Heterogenität. Umweltindikatoren werden typischerweise in unterschiedlichen Einheiten und Skalen angegeben, was den Vergleich zwischen Indikatoren, Sektoren und Ländern erschwert. Darüber hinaus enthalten diese Datenbanken zwar die notwendigen Daten, um zu untersuchen, ob Umweltdruck aus inhärenten Sektoreigenschaften oder geografischen Kontexten (z. B. Technologie, Regulierung, Ressourcenqualität) resultiert, es mangelt ihnen jedoch an harmonisierten Metriken, die eine solche systematische Analyse ermöglichen. Folglich besteht eine Lücke im Verständnis der Größenordnung und der geografischen Abhängigkeit von Umweltdruck innerhalb industrieller Systeme.

Methodik
Die Studie erstellt einen harmonisierten Datensatz, der 6.781 Wirtschaftssektoren in 44 Ländern und fünf „Rest der Welt“ (RoW)-Regionen umfasst, der aus der EXIOBASE 3.8.1-Datenbank abgeleitet wurde. Die Methodik umfasst drei primäre Phasen:

Indikatorenauswahl und Transformation:
- Dreizehn Umweltindikatoren wurden ausgewählt, um den Klimawandel, Luftverschmutzung, Versauerung, Eutrophierung, Ökotoxizität, Humantoxizität, photochemische Ozonbildung und Wassernutzung abzudecken. Diese wurden aufgrund ihrer Verfügbarkeit, konzeptionellen Unterscheidbarkeit und Repräsentativität für Midpoint-Impact-Kategorien gewählt.
- Um die Heterogenität der Einheiten und schiefe Verteilungen zu adressieren, wurden alle Indikatorwerte über alle Länder-Sektor-Beobachtungen hinweg in Perzentilränge transformiert. Dieser Ansatz bewahrt die relative Ordnung und minimiert gleichzeitig den Einfluss von Ausreißern und Extremwerten. Strukturierte Nullwerte (nicht anwendbare Kombinationen) wurden vor der Normalisierung ausgeschlossen, um eine Verwechslung von Nicht-Anwendbarkeit mit geringen Umweltbelastungen zu verhindern.
Berechnung der Dimensionen der Umweltintensität:
- Direkte Umweltintensität ( $D_i$ ): Berechnet als arithmetisches Mittel der Perzentilränge für Indikatoren, die innerhalb der eigenen Betriebsabläufe eines Sektors generiert wurden.
- Lieferketten-Umweltintensität ( $P_i$ ): Geschätzt mittels Leontief-Inversen-Analyse ( $L = (I - A)^{-1}$ ), angewandt auf die technische Koeffizientenmatrix ( $A$ ) und die direkten Umweltkoeffizienten ( $e$ ). Dies erfasst den Druck, der in vorgelagerten Produktionsnetzwerken eingebettet ist. Die resultierenden Werte wurden ebenfalls in Perzentilränge umgewandelt und gemittelt.
- Systemische Umweltintensität ( $S_i$ ): Integriert in eine einzige Metrik unter Verwendung des geometrischen Mittels der direkten und der Lieferketten-Scores ( $S_i = \sqrt{D_i \times P_i}$ ). Diese Methode wurde gewählt, um Aktivitäten hervorzuheben, die sowohl aus operativer als auch aus Lieferketten-Perspektive umweltrelevant sind, wodurch die Gewichtung von Beobachtungen reduziert wird, die nur in einer Dimension hoch bewertet werden.
Quantifizierung der geografischen Variabilität:
- Die geografische Variabilität wurde als Standardabweichung der systemischen Umweltintensitätswerte über die Länder hinweg für jeden spezifischen Sektor definiert. Diese Metrik bewertet die Streuung der Umweltleistung identischer Aktivitäten unter verschiedenen nationalen Kontexten.
Datenfilterung und Validierung:
- Beobachtungen mit gültigen Daten für weniger als 50 % der ausgewählten Indikatoren wurden ausgeschlossen. Robustheitsprüfungen bestätigten, dass eine Erhöhung dieser Schwelle auf 75 % identische Ergebnisse lieferte, was auf eine hohe Datenabdeckung hindeutet.
- Die technische Validierung umfasste Spearman-Rangkorrelationsanalysen, um die Stabilität der Rangfolgen gegenüber alternativen Aggregationsmethoden (z. B. arithmetisches vs. geometrisches Mittel, Mittelwert vs. Median-Perzentile) und Schwellenwerten der Indikatordeckung zu testen.

Kernergebnisse

Zusammensetzung des Datensatzes: Der endgültige Datensatz umfasst 6.781 Länder-Sektor-Beobachtungen mit harmonisierten Scores für direkte, Lieferketten- und systemische Umweltintensität sowie Metriken zur geografischen Variabilität.
Sektorale Muster:
- Verarbeitendes Gewerbe und Baugewerbe: Diese Sektoren weisen eine moderate direkte Intensität, aber eine signifikant höhere Lieferketten-Intensität auf, was darauf hindeutet, dass ihre Umweltbelastungen stark durch vorgelagerte Netzwerke getrieben werden.
- Primärsektoren (Landwirtschaft, Forstwirtschaft, Bergbau, Versorgungsbetriebe): Diese Sektoren zeigen das umgekehrte Muster, mit hoher direkter Intensität und geringerer Lieferketten-Intensität, was darauf hindeutet, dass ihre Auswirkungen intrinsisch in ihren operativen Grenzen liegen.
- Dienstleistungen: Dienstleistungssektoren zeigen im Allgemeinen die niedrigsten systemischen Umweltintensitätswerte.
Geografische Variabilität:
- Eine zweifaktorielle Varianzanalyse (ANOVA) ergab, dass Sektoreffekte einen größeren Anteil der Varianz erklären ( $\eta^2 = 0,414$ ) als Ländereffekte ( $\eta^2 = 0,224$ ). Dies deutt darauf hin, dass die Umweltintensität stärker mit der Art der Produktionstätigkeit als mit dem geografischen Kontext assoziiert ist.
- Dennoch existiert eine signifikante geografische Variabilität in spezifischen Sektoren, insbesondere im Bergbau, bei der Gewinnung, beim Recycling, der Stromerzeugung und der Landwirtschaft. Diese Sektoren sind durch hohe Umweltintensität und hohe grenzüberschreitende Streuung gekennzeichnet, was sie zu primären Kandidaten für Nachhaltigkeitsverbesserungen und Technologietransfer macht.
Robustheit: Die Studie stellte eine sehr starke Übereinstimmung zwischen den aus geometrischen und arithmetischen Mitteln abgeleiteten Rangfolgen fest (Spearman- $\rho = 0,974$ ) sowie zwischen Mittelwert- und Median-Perzentil-Scores ( $\rho > 0,98$ ). Die Korrelation zwischen direkten und Lieferketten-Scores war positiv, aber schwach ( $\rho = 0,337$ ), was die Notwendigkeit bestätigt, beide Dimensionen separat zu messen.

Bedeutung und Ansprüche
Das Paper behauptet, dass dieser Datensatz einen transparenten, reproduzierbaren Rahmen für das multidimensionale Benchmarking der Umweltleistung bietet, ohne dass Anwender Rohdaten aus EEMRIO verarbeiten oder komplexe Input-Output-Berechnungen durchführen müssen. Seine primäre Bedeutung liegt in:

Harmonisierung: Ermöglicht den Vergleich über heterogene Umweltdimensionen, Länder und Sektoren hinweg, indem diverse Indikatoren in eine gemeinsame ordinale Skala überführt werden.
Differenzierung: Unterscheidung zwischen direktem operativem Druck und vorgelagertem Lieferketten-Druck, die in verschiedenen Sektoren oft unterschiedlichen Mustern folgen.
Politischer Nutzen: Identifizierung von Sektoren, in denen die Umweltleistung hochsensibel gegenüber geografischen Bedingungen ist, im Gegensatz zu Sektoren, in denen sie intrinsisch zum Produktionsprozess gehört. Diese Unterscheidung unterstützt gezielte Industriepolitik, Technologietransferanalysen und nachhaltiges Lieferkettenmanagement.
Relatives Benchmarking: Die Autoren geben explizit an, dass die Scores die relative Umweltintensität und nicht die absoluten Umweltbelastungen darstellen. Folglich eignet sich der Datensatz am besten für Rankings, vergleichende Bewertungen und explorative Analysen, nicht jedoch für die Quantifizierung absoluter physischer Auswirkungen.

Die Arbeit wird als grundlegende Ressource für Nachhaltigkeitsstrategien präsentiert, die es Forschern und politischen Entscheidungsträgern ermöglicht zu beurteilen, ob die Umweltintensität eher durch Sektoreigenschaften oder durch den geografischen Kontext getrieben wird, in dem diese Sektoren operieren.